移動制御/MPC2026/9/11arXiv:2609.13083

ASTRIL-MPC：言語誘導型ニューラル運動学MPCによる関節式クローラロボットの自律走行フレームワーク

ASTRIL-MPC: Autonomous Traversal Framework of Articulated Tracked Robots with Language-Guided Neural-Kinematic MPC

関節式クローラロボットの階段や瓦礫環境での自律走行のため、学習した運動学モデルとMPC、LLMによるパラメータ調整を組み合わせた制御フレームワークを提案し、衝突を抑えつつ走行品質を大幅に改善した。

詳しい要約

1. どんなもの？

- 都市捜索救助で用いる articulated tracked robots (ATRs) の自律走行フレームワーク ASTRIL-MPC を提案。 - 言語誘導型の neural-kinematic MPC で、階段や散乱した屋内を対象。 - 学習した kinematics model と NMPC、LLM によるパラメータ調整を統合。

2. 先行研究と比べてどこがすごい？

- 非適応 NMPC と比べ総合走行品質スコアを最大 71% 改善。 - PPO ベースラインと比べ 67% 改善。 - 降下時の衝突衝撃を測定可能なレベルで排除。 - データ効率と堅牢性を両立。

3. 技術・手法の肝は？

- 学習した kinematics model が height sequence と直近軌道から短期タスク状態増分を予測。 - NMPC が多目的コストと厳密な実行可能性制約で計画。 - LLM が選択した重みと境界を安全チェック付きで有界更新。 - 範囲クリッピング、レート制限、整合性チェックを実施。 - コンパイル済み予測器で制御周期 100 ms 以内。

4. どうやって有効だと検証した？

- 3 つの走行タスクと多高さ汎化設定で評価。 - 非適応 NMPC および PPO ベースラインと比較。 - 総合走行品質スコアと降下時衝突衝撃で有効性を検証。

5. 議論はある？

- 学習運動学、最適化計画、言語誘導再調整の組み合わせが有効。 - ATRs のデータ効率と堅牢な自律性に寄与。 - 限界や失敗事例、安全性の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: 非適応 NMPC、PPO ベースライン。 - 関連手法: neural kinematics model、model predictive control (MPC)、large language model (LLM) によるパラメータ調整。 - 同分野の定番: articulated tracked robots (ATRs) の自律走行、robot-terrain interaction (RTI) のモデリング。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zhenfeng Gan, Yanbo Chen, Lirong Che, Junbo Tan, Xueqian Wang

分類: cs.RO, cs.AI

原文アブストラクト

In urban search and rescue, articulated tracked robots (ATRs) must traverse structured but contact-rich environments such as stairwells and cluttered building interiors. Reliable autonomy remains challenging because robot-terrain interaction (RTI) is hybrid and discontinuous, and effective flipper-track coordination is difficult to model analytically. We present ASTRIL-MPC, a language-guided neural kinematics model predictive control (MPC) framework for autonomous traversal. A learned kinematics model predicts short-horizon task-state increments from a height sequence and recent trajectories; NMPC plans with multi-objective costs and strict feasibility constraints; and a large language model (LLM) proposes bounded updates to selected weights and bounds through a safety-checked interface with range clipping, rate limiting, and consistency checks. The compiled predictor enables a full control cycle within 100 ms. Across three traversal tasks and a multi-height generalization setting, ASTRIL-MPC improves an aggregate traversal-quality score by up to 71% over a non-adaptive NMPC and by 67% over a PPO baseline, while eliminating measurable collision impacts during descent. These results indicate that combining learned kinematics, optimization-based planning, and language-guided retuning yields data-efficient and robust autonomy for articulated tracked robots.

arXivで原文を読む →arXiv概要ページ

← 論文一覧